面向多识别任务的多任务学习框架：下肢外骨骼机器人应用
机器人学
2023-06-27 v1 系统与控制
系统与控制
摘要
为了有效控制下肢外骨骼机器人，准确识别用户状态与环境条件至关重要。以往研究通常针对每个任务使用独立模型来解决这些识别问题，导致模型开发过程效率低下。在本研究中，我们提出一种可同时应对多种识别挑战的多任务学习（Multitask learning）方法。该方法通过实现各识别模型间的知识共享来提升数据效率。我们以步态相位识别（Gait phase recognition, GPR）和地形分类（Terrain classification, TC）——下肢外骨骼机器人中最常规的识别任务——为例，验证了该方法的有效性。我们首先构建了一个高性能的 GPR 模型，其均方根误差（Root mean square error, RMSE）达到 2.345 0.08，随后利用其知识共享的骨干特征网络，在极有限的数据集上学习 TC 模型。TC 模型采用有限数据集，用以验证我们所提多任务学习方法的数据效率。我们将所提 TC 模型的准确率与其他 TC 基线模型进行比较。所提模型在有限数据集下取得了 99.5 0.044% 的准确率，优于其他基线模型，证明了其在数据效率方面的有效性。未来研究将致力于将多任务学习框架扩展至更多识别任务。
引用
@article{arxiv.2306.14384,
title = {Multitask Learning for Multiple Recognition Tasks: A Framework for Lower-limb Exoskeleton Robot Applications},
author = {Joonhyun Kim and Seongmin Ha and Dongbin Shin and Seoyeon Ham and Jaepil Jang and Wansoo Kim},
journal= {arXiv preprint arXiv:2306.14384},
year = {2023}
}
备注
Accepted for publication in the Proceedings of the 2023 IEEE International Conference on RO-MAN 2023 BUSAN, 7 pages